学习注入事实错误来提高事实错误校正

AAAIDec, 2023

学习注入事实错误来提高事实错误校正

Improving Factual Error Correction by Learning to Inject Factual Errors

Xingwei He, Qianru Zhang, A-Long Jin, Jun Ma, Yuan Yuan...

TL;DR通过 mask-corrupt-correct 的方法和 Learning to Inject Factual Errors (LIFE) 的改进，本研究成功地提高了事实错误校正的效果，并在两个方面超越了现有方法和 ChatGPT 的性能表现。

Abstract

factual error correction (FEC) aims to revise factual errors in false claims with minimal editing, making them faithful to the provided evidence. This task is crucial for alleviating the hallucination problem encountered by large language models. Given the lack of paired data (i.e., fa

factual error correction distantly supervised methods learning to inject factual errors mask-corrupt-correct sari final

发现论文，激发创造

基于证据的事实错误校正

本文介绍了事实错误校正的任务和方法：通过编辑要求以便生成的改写通过证据更好地支持。使用 T5 Transformer 基于远程监督的方法，通过将证据合并到掩码声明中来训练事实错误校正系统。在一个基于最近事实验证共享任务的数据集上进行评估，结果表明我们的方法可以比现有的方法更准确地对事实错误进行校正，在人工评估中将错误校正的数量提高了 5 倍，并且 SARI 分数提高了 0.125。

Jun, 2021

基于证据的事实错误修正

本文介绍了一个新的任务：事实错误纠正。通过将证据整合到掩码声明中进行更正，学习纠正事实错误的系统。本文中提出了一个基于 T5 变压器的两阶段远程监督方法，通过检索证据获得更好的结果，从而取得了更好的性能，并通过人类评估证明了其有效性。

Dec, 2020

收敛到真相：通过迭代约束编辑进行事实错误纠正

本文提出了一种新的方法 VENCE 用于事实错误的纠正，通过设计离线训练的事实验证模型的预测准确性得分，使用迭代采样编辑操作的目标密度函数，基于 T5 距离监督语言模型的最有可能的编辑位置进行采样，实现了事实错误纠正，实验结果表明在公共数据集上，相比之前最好的远程监督方法，VENCE 相对改进了 11.8% 的 SARI 指标。

Nov, 2022

参考文献的重要性：使用细粒度评估框架对对话摘要的事实纠错进行基准测试

本文提出 FERRANTI 框架，基于参考文献纠错的细粒度评估机制，通过实验证明了 FEC 方法在不同事实错误类别上的显著性能差异，以及提出的最佳训练模式。

Jun, 2023

通过后期编辑和语言模型填充纠正抽象摘要中的多样化事实错误

本文提出使用语言模型生产更加具有代表性的无事实描述样例，训练出更加强大和鲁棒的基于事实更正的模型对生成的摘要进行错误更正提高摘要的事实一致性。

Oct, 2022

通过实体检索进行抽象摘要的事实错误矫正

本文提出了一种基于实体检索的高效事实错误纠正系统 RFEC，通过检索证据句子来缩短系统分析的文本长度，从而检测摘要中的实体级别错误并替换错误的实体，实验证明我们提出的错误纠正系统比基线方法具有更具竞争力的性能和更快的速度。

Apr, 2022

摘要生成模型的事实错误更正

本研究提出了一种后处理校正模块来解决神经抽象汇总系统的事实一致性问题，该模块采用预训练的神经校正模型，能够识别和修正所生成的摘要中的事实错误，并在 CNN / DailyMail 数据集上表现出比先前模型更好的事实一致性的评估结果。